Hauptfunktionen

• LLM-Unterstützung: Flexible Architektur für cloudbasierte (Google Gemini, OpenRouter) und lokale (Ollama) Sprachmodelle
• Intelligente Abfragegenerierung: KI-Agent mit Tool-Calling-Fähigkeiten, der eigenständig das Datenbankschema abruft, Abfragen validiert und SQL ausführt
• Visualisierung in mehreren Formaten: Dynamische Darstellung der Ergebnisse als Tabellen, Textzusammenfassungen und interaktive Diagramme (Balken, Linie, Kreis, Radar) mit Chart.js
• Konversationsverwaltung: Dauerhafter Chatverlauf mit Speichern-/Laden-/Löschen-Funktion im YAML-Format
• SQL-Validierungsschicht: Serverseitige Schemavalidierung verhindert Injection-Angriffe und sichert die Integrität der Abfragen
• Responsive Oberfläche: Übersichtliche, moderne Oberfläche mit einklappbaren SQL-Abfrageansichten und Markdown-Darstellung

Technische Architektur

• Backend: Python/Flask mit SQL-Datenbank(en)
• KI-Integration: Eigene Abstraktionsschicht für LLM-Anbieter zur Unterstützung mehrerer Backends
• Tool-System: MCP-Server für strukturierte Datenbankinteraktionen
• Frontend: Vanilla JavaScript mit Fetch API, ohne schwergewichtige Frameworks
• Sicherheit: Schemabasierte SQL-Validierung, Beschränkung auf lesende Abfragen

Tech-Stack

Python • Flask • Datenbanken (MySQL, SQLite, ...) • Google Gemini API • Ollama • Chart.js • YAML • MCP

Anwendungsfälle

Teams können komplexe Geschäftskennzahlen in einfacher Sprache abfragen: „Wer sind die 5 Kunden mit dem höchsten Bestellwert?" oder „Zeige mir die Verkaufstrends des letzten Quartals" – die KI übernimmt die Schemaerkennung, die Abfragegenerierung und die Ausführung und präsentiert die Ergebnisse mit kontextbezogener Analyse.